传播滤波器联合多视图融合ELM学习用于高光谱图像分类

在本文中，我们提出了一种融合的极限学习机（ELM）方法和多视图学习的高光谱图像。 所提出的方法包括以下方面。 首先，通过使用多尺度光谱空间上下文感知传播滤波器从高光谱图像生成光谱空间特征的多个视图。 接下来，我们将基于加权的概率ELM应用于这些多个特征视图，从而以高准确度获得鲁棒的监督分类结果。 该方法的优点是双重的：1）可以利用图像的多尺度局部光谱空间上下文来显着改善分类性能。 2）该算法简单，但对于小尺寸的训练标记样本非常健壮。 实验结果表明，该算法具有竞争优势，性能优于其他基于ELM的分类器和经典的SVM分类器。